一种车载图像去雾显示系统及处理方法

1.本发明涉及图像处理技术领域，尤其是涉及一种车载图像去雾显示系统及处理方法。


背景技术：

2.基于数字图像识别的图像采集监控显示系统具有广泛的应用场景，比如无人车上的车载监控显示系统、公路抓拍系统等，但在能见度较低的恶劣天气(比如，雾霾)下，获得的图像细节模糊、色彩暗淡，可视性较差，将影响监控显示效果。而通过图像去雾算法可以去除天气因素对图像质量的影响，增强图像的视觉效果，因此对图像进行去雾处理显得尤为重要。
3.基于retinex理论的去雾算法对大多数自然场景图像有着较好的去雾效果。国内外有相关基于retinex理论的算法研究，并在不同应用场景下取得了一定的效果，但仍存在对比度不佳、细节信息丢失等问题，针对图像去雾的研究仍有较大改善空间。
4.无人驾驶作为汽车未来的研究方向，其对于汽车行业甚至是交通运输业有着深远的影响。无人驾驶汽车的来临将能够解放人类的双手，降低发生交通事故发生的频率，保证了人们的安全。在雾天中无人驾驶的识别度降低，不利于行车的安全。对于监控摄像头在雾天的可见度也是极低，不便观察，为了能够到到清晰的图像，图像去雾的算法就有了较大的用途。
5.针对雾霾天气造成图像采集设备无法获取足够清晰的图像，为之后获取图像中的有效信息带来很大困难，由此对图像进行去雾处理显得尤为重要。
6.为此，提出一种车载图像去雾显示系统及处理方法。


技术实现要素：

7.本发明的目的在于提供一种车载图像去雾显示系统及处理方法，以解决上述背景技术中提出的问题。
8.为实现上述目的，本发明提供如下技术方案：一种车载图像去雾显示系统，包括图像采集模块、图像处理模块、图像显示模块三者构成；
9.其中所述图像采集模块由采集图像并传给图像处理模块，图像处理模块对传来的图像进行去雾处理，处理结果传给图像显示模块实时显示；
10.其中所述图像采集模块包括由摄像头数据采集终端构成。
11.一种车载图像去雾显示处理方法，包括如下步骤：
12.s1：图像处理模块将图像采集模块采集得到的图像在基于retinex理论的图像去雾算法下，将图像分解为反射分量与照明分量，以反射分量作为去雾后的图像，实现图像去雾功能。
13.s2：将retinex分解后的图像通过对数式对比度拉伸，进行不同程度的对比度拉伸干预，对不同亮度图像进行不同程度的变换。
14.基于retinex理论的图像去雾算法是通过将图像分解为反射分量与照明分量，以反射分量作为去雾后的图像，实现图像去雾功能。算法模型如下：
15.l＝r.*t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
16.其中，r为反射分量，t代表照明分量，l为有雾图像。
17.对于反射分量的求解，一般通过先求解出照明分量，然后得到反射分量。然而若最终的去雾图像仅仅通过反射分量来表示往往不能使图像具备较自然的观感，通过照明分量与反射分量联合估计的方法是一个改善途径。
18.本文提出的模型目标函数为：
[0019][0020]
这种联合估计的方法能够考虑到反射分量与照明分量之间的关联性，目标函数的合理性依赖正则项，在retinex求解过程中估计的照明分量在反射分量估计中的有效再利用能够让增强图像有更好的效果。因此反射分量与照明分量联合正则的算法能够让增强图像有一定的改善效果。
[0021]
采用联合正则的方式，目标函数的形式如下：
[0022][0023]
此式中：
[0024][0025][0026]
其中，α、β为大于0的系数，ε是一个极小的正数。
[0027]
此模型的求解即通过最优化方法求解最小二乘问题，为了解决目标函数的非凸性，通过块坐标下降法得出最优的照明分量和反射分量。迭代求解的公式如下：
[0028][0029][0030]
其中，g为toeplitz矩阵，α、β为大于0的系数，d1、d2为对角矩阵。
[0031]
此外，本文目标函数中提出了如下的算子，定义如下：
[0032]
[0033][0034]
这两个算子用在目标函数的正则项中，使得模型能够提取图像的精细细节，使得反射分量的估计更加精准，从而改善了图像增强效果。且这两个算子不同于传统的优化含有特定范数的函数的方法，增强了纹理细节的提取能力。
[0035]
同时，本文提出了一种对数式对比度拉伸的图像增强算法，进一步改善图像质量，算法模型如下：
[0036]i′
(x，y，c)＝i(x，y，c) log
δ
(i(x，y，c)/25 5)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0037][0038]
其中，c表示颜色通道，i(x,y,c)表示像素亮度。
[0039]
该算法对不同的像素亮度实施不同的对比度拉伸效果，对于亮度较低的像素具有较明显的对比度拉伸，对于亮度较高的像素则较小拉伸，引入的δ算子能够进行不同程度的对比度拉伸干预，对不同亮度图像进行不同程度的变换，增强了算法的泛化能力。
[0040]
与现有技术相比，本发明的有益效果是：
[0041]
1.通过联合估计的方法能够考虑到反射分量与照明分量之间的关联性，目标函数的合理性依赖正则项，在retinex求解过程中估计的照明分量在反射分量估计中的有效再利用能够让增强图像有更好的效果。因此反射分量与照明分量联合正则的算法能够让增强图像有一定的改善效果；
[0042]
2.通过采用联合正则的方式处理方式中，两个算子用在目标函数的正则项中，使得模型能够提取图像的精细细节，使得反射分量的估计更加精准，从而改善了图像增强效果。且这两个算子不同于传统的优化含有特定范数的函数的方法，增强了纹理细节的提取能力；
[0043]
3.在对比度拉伸处理方式中对不同的像素亮度实施不同的对比度拉伸效果，对于亮度较低的像素具有较明显的对比度拉伸，对于亮度较高的像素则较小拉伸，引入的δ算子能够进行不同程度的对比度拉伸干预，对不同亮度图像进行不同程度的变换，增强了算法的泛化能力。
附图说明
[0044]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0045]
图1为本发明的系统流程图。
[0046]
图2为本发明的模型处理图像对比图
[0047]
附图标记说明：
[0048]
1、显示屏主体；11、固定件；12、固定杆；2、固定脚。
具体实施方式
[0049]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0050]
请参阅图1，本发明提供一种技术方案：
[0051]
一种车载图像去雾显示系统，包括图像采集模块、图像处理模块、图像显示模块三者构成；
[0052]
其中所述图像采集模块由采集图像并传给图像处理模块，图像处理模块对传来的图像进行去雾处理，处理结果传给图像显示模块实时显示；
[0053]
其中所述图像采集模块包括由摄像头数据采集终端构成。
[0054]
一种车载图像去雾显示处理方法，包括如下步骤：
[0055]
s1：图像处理模块将图像采集模块采集得到的图像在基于retinex理论的图像去雾算法下，将图像分解为反射分量与照明分量，以反射分量作为去雾后的图像，实现图像去雾功能。
[0056]
s2：将retinex分解后的图像通过对数式对比度拉伸，进行不同程度的对比度拉伸干预，对不同亮度图像进行不同程度的变换。
[0057]
基于retinex理论的图像去雾算法是通过将图像分解为反射分量与照明分量，以反射分量作为去雾后的图像，实现图像去雾功能。算法模型如下：
[0058]
l＝r.*t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0059]
其中，r为反射分量，t代表照明分量，l为有雾图像。
[0060]
对于反射分量的求解，一般通过先求解出照明分量，然后得到反射分量。然而若最终的去雾图像仅仅通过反射分量来表示往往不能使图像具备较自然的观感，通过照明分量与反射分量联合估计的方法是一个改善途径。
[0061]
本文提出的模型目标函数为：
[0062][0063]
这种联合估计的方法能够考虑到反射分量与照明分量之间的关联性，目标函数的合理性依赖正则项，在retinex求解过程中估计的照明分量在反射分量估计中的有效再利用能够让增强图像有更好的效果。因此反射分量与照明分量联合正则的算法能够让增强图像有一定的改善效果。
[0064]
采用联合正则的方式，目标函数的形式如下：
[0065][0066]
此式中：
[0067]
[0068][0069]
其中，α、β为大于0的系数，ε是一个极小的正数。
[0070]
此模型的求解即通过最优化方法求解最小二乘问题，为了解决目标函数的非凸性，通过块坐标下降法得出最优的照明分量和反射分量。迭代求解的公式如下：
[0071][0072][0073]
其中，g为toeplitz矩阵，α、β为大于0的系数，d1、d2为对角矩阵。
[0074]
此外，本文目标函数中提出了如下的算子，定义如下：
[0075][0076][0077]
这两个算子用在目标函数的正则项中，使得模型能够提取图像的精细细节，使得反射分量的估计更加精准，从而改善了图像增强效果。且这两个算子不同于传统的优化含有特定范数的函数的方法，增强了纹理细节的提取能力。
[0078]
同时，本文提出了一种对数式对比度拉伸的图像增强算法，进一步改善图像质量，算法模型如下：
[0079]i′
(x，y，c)＝i(x，y，c) log
δ
(i(x，y，c)/25 5)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0080][0081]
其中，c表示颜色通道，i(x,y,c)表示像素亮度。
[0082]
该算法对不同的像素亮度实施不同的对比度拉伸效果，对于亮度较低的像素具有较明显的对比度拉伸，对于亮度较高的像素则较小拉伸，引入的δ算子能够进行不同程度的对比度拉伸干预，对不同亮度图像进行不同程度的变换，增强了算法的泛化能力；
[0083]
算法对比：如图2所示：
[0084]
(1)基于路径比较的retinex算法最早由land提出，算法的核心是比较像素点间的明度关系。对于彩色图像可以将彩色图像分解为r，g，b三个通道的三幅独立图像，分别进行处理。基于路径比较的方法对于对比度较小的图像有良好的效果，如整体比较亮或者整体比较暗的图像，可以很好的消除照度影响，提高图像的对比度，有效的改善图像质量，还能纠正图像色彩失真问题。但是在应用中存在需要解决的问题，如阈值t的选取，起点到终点的多路径问题，还有路径长度问题等。
[0085]
(2)kimmel等人在研究传统retinex算法的基础上提出了基于可变框架模型的retinex算法，把近似估计照度分量问题转换成了二次规划的最优解问题，通过数值求解来解决图像退化问题。
[0086]
(3)基于邻域的retinex算法的理论基础为照度分量的强度一般变化缓慢,在频域中表现为低频成分，而不同物体表面材质的反射率差异较大,表现为高频成分。因此,这类算法采用低通滤波的方法估计照度分量。对于图像中的各像素,计算该像素值与邻域内像素加权值的非线性比值,即为该像素的新像素值。通过平滑函数的空域卷积获得邻域内像素的加权值,权重由平滑函数的系数给出。
[0087]
(4)迭代retinex算法采用矩阵计算代替路径计算。在路径计算中,依次将像素添加到路径中,以串行方式比较像素值,根据路径的长度确定距离函数，而在矩阵计算中,比值和乘积运算可并行处理,根据迭代次数确定距离函数。
[0088]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。